强化学习发展时间线总览：从早期基础到 2026 年
强化学习的发展始终围绕一个问题：如何从有限的反馈中，学会获得更高的长期回报。价值估计、策略优化与环境建模提供了三类互相连接的工具；深度网络、离线数据和语言模型又不断改变它们的使用场景。
从 Bellman 方程到 Q-learning，从 DQN、PPO 到世界模型与推理强化学习，这条时间线关注每个阶段的瓶颈、代表方法，以及新方法继承了什么、改变了什么。
先看整条时间线
flowchart TD
A["1950s—1980s：理论与早期学习控制<br/>动态规划、Bellman 方程、早期 Actor–Critic"]
B["1988—1999：经典强化学习成形<br/>TD、Q-learning、SARSA、REINFORCE、Dyna、Options"]
C["2000—2012：函数逼近与数据利用<br/>批量学习、策略搜索、样本效率"]
D["2013—2016：深度强化学习突破<br/>DQN、TRPO、DDPG、GAE、A3C、AlphaGo"]
E["2017—2018：稳定性与规模化<br/>PPO、Rainbow、TD3、SAC、IMPALA、AlphaZero"]
F["2019—2021：世界模型与离线学习<br/>MuZero、Dreamer、CQL、IQL、Decision Transformer"]
G["2022—2024：语言模型对齐与通用控制<br/>InstructGPT、DPO、DreamerV3、TD-MPC2、GRPO"]
H["2025：推理强化学习与世界模型扩展<br/>DeepSeek-R1、DAPO、Dr. GRPO、Dreamer 4"]
I["2026：近期研究<br/>世界模型与策略联合优化<br/>真实机器人、长任务信用分配、测试时学习"]
A --> B --> C --> D --> E --> F --> G --> H --> I
图中箭头表示时间推进，不表示后一代全面替代前一代。例如 SAC、PPO、Q-learning 的思想仍然存在于后来的系统里。
有三个概念需要先摆正：
| 概念 | 准确理解 |
|---|---|
| Q 值 | 一个量：在状态 下执行动作 ，随后按某种策略行动，预计能获得多少累计回报。它本身不是算法。 |
| Actor–Critic | 一种架构：Actor 学“怎么行动”，Critic 学“行动或状态有多好”，再帮助 Actor 更新。它不是 DQN 之后才出现的。 |
| PPO 与 DPO | PPO 是策略梯度方法，通常使用 Actor–Critic 实现；DPO 指直接偏好优化，原始方法通过偏好数据直接训练策略，不走传统在线 RL 采样更新流程。 |
PPO 与 DPO 的分类依据分别见原始论文：PPO、DPO。
日期之外：六条有方向、有条件的机制关系
年表回答“什么时候出现”，机制图还必须回答“究竟继承哪一部分”。下面只连接已在相应文章核读的方法，箭头不代表排行榜。
| 关系类型 | 具体路线 | 继承或组合的内容 | 没有一并继承的保证 |
|---|---|---|---|
| 直接承接 | 自然梯度 → TRPO → PPO | 策略几何、保守更新与概率比代理；求解由近似二阶转向一阶目标 | PPO clip没有继承TRPO理论最坏状态界的全部条件，也不构成硬KL上限 |
| 模块组合 | TD多步思想 → GAE，GAE配合TRPO/PPO | GAE处理优势估计，优化器处理参数步幅 | 优势低方差不保证无偏，GAE不取代TRPO |
| 直接承接与组合 | Double Q → Double DQN，再进入Rainbow | 分开选动作与评价；组合中复用目标网络 | 两估计器相关，不能保证完全无高估；消融重要性取决于其他组件 |
| 并行替代 | BCQ／BEAR／CQL／IQL | 分别约束候选动作、支持偏移、价值乐观或OOD查询 | 都无法从完全缺失的数据覆盖中恢复任意好行为 |
| 计算位置的分岔 | PETS／Dreamer／MuZero | 模型分别主要供滚动规划、想象训练或树搜索 | 有模型并不意味着学像素重建，也不意味着更少总计算 |
| 优化与反馈的组合 | PPO → GRPO，配规则奖励、模型奖励或动态准则 | 保留策略更新思想，改变基线和奖励接口 | 去掉critic没有去掉奖励成本；更细信用并非因果证明 |
1983年ASE/ACE在这里是历史起点：它启发行动与评价分工的理解。现代Actor–Critic的符号、策略梯度定理、GAE或PPO损失不能被当作原系统已经具备的机制。
1950s—1999：建立“从奖励中学习”的基本方法
这一阶段形成了之后几十年不断复用的核心概念：价值、策略、TD 误差、模型、信用分配。
| 时间 | 代表工作 | 当时的问题 | 核心想法与历史位置 |
|---|---|---|---|
| 1950s | Bellman：动态规划、MDP | 连续做很多次决策，怎样考虑长期收益？ | 把长期决策递归分解成“当前奖励＋未来价值”，构成价值迭代、策略迭代及后续 RL 的数学基础。 |
| 1983 | Barto、Sutton、Anderson：早期学习控制 | 没有正确动作标签，如何学会控制倒立摆？ | 将行动选择与评价机制分开，是早期 Actor–Critic 的重要代表。作者论文目录 |
| 1988 | Sutton：TD Learning | 必须等到任务结束，才能更新对局面的判断吗？ | 用下一时刻的价值估计修正当前估计，即“自举”；成为 Q-learning 和许多 Critic 更新的基础。原论文 |
| 1989／1992 | Watkins；Watkins & Dayan：Q-learning | 不知道环境转移规律，如何学最优动作？ | 从交互样本更新动作价值，用下一状态的最大 Q 值构造目标；1992 年论文给出相应条件下的收敛证明。原论文 |
| 1990 | Sutton：Dyna | 真实交互昂贵，能否利用已有经验多练习？ | 同时学习环境模型，并用模型生成的经验辅助价值或策略学习，将学习与规划结合。原论文 |
| 1992 | Williams：REINFORCE | 能否直接学习动作概率，而不是先学 Q 再选动作？ | 用采样回报构造策略梯度，提高高回报动作的概率；方法直接，但梯度方差较大。原论文 |
| 1994 | Rummery & Niranjan：SARSA 的早期形式 | 如何评价包含探索行为在内的当前策略？ | 用实际采样到的下一动作更新 Q，而不是取最大 Q；代表 on-policy TD 控制。原报告 |
| 1999 | Sutton 等：Policy Gradient Theorem | 策略由函数或神经网络表示时，如何有理论依据地优化？ | 建立函数逼近下的策略梯度理论，支撑现代策略优化与 Actor–Critic。原论文 |
| 1999 | Sutton、Precup、Singh：Options | 长任务只按单步动作学习，规划跨度太大。 | 将持续多步的行为表示为技能或选项，奠定层次强化学习的基础。原论文 |
这里最值得理解的是 Q-learning 的更新：
意思是：把当前判断，往“实际收到的奖励＋下一步最好的预期收益”靠近一点。
而策略梯度走另一条路：直接调整行动概率，让能带来较高回报的行为更容易发生。
2000—2012：从小表格走向函数逼近
这段时间不是空白期。研究重心逐渐转向：
- 状态太多，存不下 Q 表：用线性模型、核方法、树模型、神经网络近似价值或策略。
- 样本太贵：批量复用历史转移数据，而不只交互一步更新一步。
- 策略更新不稳定：研究自然梯度、策略搜索和更可靠的价值估计。
- 任务太长：继续发展层次学习、技能与时间抽象。
这也是理解 DQN 的必要背景：DQN 的贡献不是第一次想到“神经网络＋强化学习”，而是在高维视觉任务上，把深度价值学习做到了有突破性的实际效果。
2013—2016：深度强化学习突破，三条主线同时发展
| 时间 | 代表论文／算法 | 主要解决什么问题 | 改进了什么 |
|---|---|---|---|
| 2013 | DQN 初版：Playing Atari with Deep Reinforcement Learning | 游戏画面无法放进传统 Q 表。 | 用卷积网络直接从像素预测各动作的 Q 值，结合经验回放学习。论文 |
| 2014 | DPG：Deterministic Policy Gradient Algorithms | 连续动作下，很难枚举所有动作找最大 Q。 | 学一个直接输出连续动作的策略，通过 Q 对动作的梯度改善策略。论文 |
| 2015 | DQN Nature 版 | 深度网络、自举目标及相关样本组合容易不稳定。 | 经验回放与目标网络成为关键设计，在 Atari 上展示端到端学习能力。论文 |
| 2015 | TRPO | 策略梯度一步更新太大，性能可能崩掉。 | 用信赖域思想约束策略变化，追求更稳定的更新。论文 |
| 2015 | GAE | 优势估计噪声大；估计越短又可能偏差越大。 | 混合不同步长的 TD 信息，调节偏差与方差；后来常与 PPO 搭配。论文 |
| 2015／2016 | DDPG | DQN 很难直接处理机器人力矩等连续动作。 | 将 DPG、深度网络、经验回放和目标网络结合，形成 off-policy Actor–Critic。论文 |
| 2015／2016 | Double DQN | 对带噪声的 Q 取最大值，容易高估动作价值。 | 分离“选动作”和“评价动作”，缓解过估计。论文 |
| 2015／2016 | Prioritized Experience Replay | 均匀回放没有区分经验的学习价值。 | 更频繁地重放高优先级经验，并修正采样偏差，提高数据利用率。论文 |
| 2015／2016 | Dueling DQN | 许多状态下，不需要逐个动作重新学习整个局面的价值。 | 分开表示状态价值和动作优势，再组合成 Q。论文 |
| 2016 | A3C | 深度 RL 训练慢、单路交互样本相关性强。 | 多个工作进程异步采样与更新，推广深度 Actor–Critic。论文 |
| 2016 | AlphaGo | 围棋搜索空间巨大，纯搜索与纯价值估计都不够。 | 将监督学习、强化学习、策略网络、价值网络与蒙特卡洛树搜索结合。论文 |
这一时期形成的分支关系
flowchart TD
Q["Q-learning<br/>学习动作价值"] --> DQN["DQN<br/>神经网络表示 Q"]
DQN --> DD["Double DQN<br/>减少高估"]
DQN --> DU["Dueling DQN<br/>价值与优势分解"]
DQN --> PER["优先经验回放<br/>改善数据利用"]
PG["REINFORCE／策略梯度"] --> TR["TRPO 2015"]
TR --> PPO["PPO 2017"]
AC["Actor–Critic<br/>策略与价值协同学习"] --> A3C["A3C 2016"]
AC --> DDPG["DDPG 2015"]
DPG["DPG 2014"] --> DDPG
DDPG --> TD3["TD3 2018"]
AC --> SAC["SAC 2018"]
AC -.->|"常见实现架构"| PPO
GAE["GAE 2015<br/>优势估计"] -.->|"常用组件"| PPO
注意：Dueling DQN 的两个分支不是 Actor 和 Critic。它们共同组成一个 Q 网络，仍属于价值方法。
2017—2018：让算法更稳定、更高效、更能扩展
| 时间 | 代表论文／算法 | 原来的瓶颈 | 主要改进 |
|---|---|---|---|
| 2017 | PPO | TRPO 实现和优化过程相对复杂。 | 用裁剪目标等设计抑制过大的策略更新，允许对同批采样进行多轮小批量优化。论文 |
| 2017 | Deep RL from Human Preferences | 复杂任务很难手工写出好奖励。 | 让人比较行为片段，学习奖励模型，再用 RL 优化行为；是现代 RLHF 的重要前身。论文 |
| 2017 | MADDPG | 多智能体同时学习，使每个智能体看到的环境不断变化。 | 集中式 Critic 利用更多联合信息，执行时各智能体独立行动。论文 |
| 2017 | C51／Distributional RL | 一个平均 Q 值丢掉了回报分布的信息。 | 学习累计回报的概率分布，而不只是均值。论文 |
| 2017 | NoisyNet | 简单随机动作探索不够灵活。 | 在网络参数中加入可学习噪声，改变探索行为。论文 |
| 2017／2018 | Rainbow | DQN 的各种改进分散，组合收益不清楚。 | 集成 Double、Dueling、优先回放、多步回报、回报分布表示和 NoisyNet，并做消融。论文 |
| 2017／2018 | AlphaZero | 能否减少对人类棋谱和领域专用训练流程的依赖？ | 在已知规则下，通过自我博弈、策略价值网络和搜索学习棋类任务。论文 |
| 2017／2018 | QR-DQN | 如何更灵活地估计回报分布？ | 用分位数回归表示分布。论文 |
| 2018 | TD3 | DDPG 的价值误差被策略利用，训练容易不稳定。 | 双 Critic 取较小值、延迟策略更新、目标策略平滑。论文 |
| 2018 | SAC | 连续控制需要兼顾探索、稳定性和样本效率。 | 最大化奖励与策略熵，采用随机策略和 off-policy Actor–Critic。论文 |
| 2018 | IMPALA | 大规模分布式采样带来策略滞后。 | 分离采样与学习，用 V-trace 修正相应的 off-policy 偏差。论文 |
| 2018 | QMIX | 团队总奖励如何用于学习各智能体的行动价值？ | 用单调混合网络组合个体 Q 值，服务合作式多智能体学习。论文 |
| 2018 | IQN | 有限个固定分位点限制回报分布表示。 | 用隐式分位数函数学习更灵活的回报分布。论文 |
| 2018 | RND | 稀疏奖励环境里，智能体可能一直找不到有用反馈。 | 将预测随机目标网络的误差作为内在奖励，鼓励探索新状态。论文 |
这里的 Distributional RL 是“回报分布建模”；IMPALA 的 distributed 是“分布式计算”，两者不是同一件事。
这一阶段可以记住三组核心对应：
- DQN → Double／Dueling／Rainbow：把价值学习做得更好。
- REINFORCE → TRPO → PPO：把策略更新做得更稳定。
- DDPG → TD3；最大熵 Actor–Critic → SAC：把连续动作控制做得更可靠。
2019—2021：减少真实交互，利用模型与离线数据
| 时间 | 代表论文／算法 | 原来的瓶颈 | 主要改进 |
|---|---|---|---|
| 2018／2019 | BCQ | 固定数据中没出现过的动作，Q 估计容易不可靠。 | 限制策略选择接近数据支持范围的动作，缓解离线学习中的外推误差。论文 |
| 2019／2020 | MuZero | AlphaZero 依赖已知的环境规则来搜索。 | 学习供规划使用的潜在动态模型，预测奖励、价值和策略，不要求重建完整观测。论文 |
| 2019／2020 | Dreamer | 从像素出发的真实交互成本高。 | 学习潜在世界模型，在“想象轨迹”中训练行为，提升样本利用效率。论文 |
| 2020 | CQL | 离线 RL 会过度相信数据分布外动作的高 Q。 | 对价值学习加入保守约束，减少不受数据支持的高估。论文 |
| 2021 | Decision Transformer | 能否换一种方式利用离线轨迹？ | 将状态、动作、目标回报组织成序列，用 Transformer 预测动作；不依赖传统 TD 更新。论文 |
| 2021／2022 | IQL | 如何在离线学习时避免查询未知动作价值？ | 使用expectile（非对称平方回归，区别于quantile）学习价值，再通过优势加权方式提取策略。论文 |
| 2021／2022 | MAPPO | 合作式多智能体任务是否一定需要非常复杂的专用算法？ | 系统研究 PPO 在集中训练、分散执行设定下的有效性及关键实现选择。论文 |
这个阶段要区分两组经常混淆的概念：
| 维度 | 区别 |
|---|---|
| Model-free／Model-based | 是否利用环境动态模型进行学习或规划；这里的“模型”不是泛指神经网络。 |
| Off-policy／Offline | Off-policy 可以一边采新数据一边复用旧数据；Offline 通常只使用固定数据，不能靠新交互及时修正错误。 |
因此，SAC 是 off-policy，但不意味着原版 SAC 就适合直接用于固定离线数据。
2022—2024：语言模型对齐，以及更通用的世界模型
| 时间 | 代表论文／算法 | 问题 | 主要改进 |
|---|---|---|---|
| 2022 | InstructGPT | 预测下一个词的能力，不等于遵循人类意图。 | 将监督微调、人类偏好奖励模型与 PPO 结合，形成有代表性的语言模型 RLHF 流程。论文 |
| 2023 | DreamerV3 | 世界模型方法往往需要针对不同任务反复调参。 | 通过统一且更稳健的训练设计，扩展到多种视觉和控制任务。论文 |
| 2023 | DPO | 奖励模型＋在线采样＋RL 更新的对齐流程复杂。 | 从 KL 正则化的奖励优化问题推导偏好损失，直接优化策略，原始训练不需要显式奖励模型和在线 RL 回路。论文 |
| 2023／2024 | TD-MPC2 | 世界模型控制如何扩展到更多任务与更大模型？ | 扩展潜在空间模型预测控制，强调多任务学习、规模化和训练稳健性。论文 |
| 2024 | DeepSeekMath／GRPO | 大模型 PPO 训练额外的价值模型成本高。 | 对同一问题采样一组回答，以组内奖励构造相对优势，省去独立价值模型。论文 |
| 2024 | SimPO | 偏好优化能否进一步简化？ | 用长度归一化的序列对数概率构造隐式奖励，并引入奖励间隔，训练不需要参考模型。论文 |
PPO、DPO 与 Actor–Critic 的关系
flowchart TD
P["策略学习"] --> PG["策略梯度"]
PG --> RE["REINFORCE"]
PG --> TR["TRPO"]
TR --> PP["PPO"]
AC["Actor–Critic 架构"] -.->|"通常用于实现"| PP
H["人类或 AI 偏好数据"] --> RM["学习奖励模型"]
RM --> RLHF["使用 PPO 等方法优化策略"]
PP --> RLHF
H --> DPO["DPO 2023<br/>直接偏好优化"]
DPO --> VAR["偏好优化相关发展<br/>如 SimPO 2024"]
PP -.->|"借鉴裁剪策略优化"| GR["GRPO 2024<br/>组内相对优势，无独立 Critic"]
R["规则奖励／验证器／奖励模型"] --> GR
GR --> R1["DeepSeek-R1 2025"]
GR --> DA["DAPO／Dr. GRPO 2025"]
虚线表示架构使用或思想关联，不表示完全等价。
特别注意：
- 没有 Critic，不等于没有奖励。GRPO 仍需要奖励信号。
- RLHF 是训练范式，PPO 是可使用的优化算法。
- RLVR 是奖励来源设定——例如答案校验、代码测试——不是某一种固定优化器。
- DPO 不是 DQN 的后继，也不是 PPO 的简单升级版。
2025：强化学习推动推理，同时开始审视训练偏差
| 时间 | 代表论文／系统 | 核心问题 | 主要进展 |
|---|---|---|---|
| 2025.01 | DeepSeek-R1／R1-Zero | 在已有预训练能力上，大规模 RL 能怎样增强推理？ | R1-Zero 探索不经过前置 SFT 的 RL 训练；R1 加入冷启动数据和多阶段流程，改善推理表现及可用性。论文 |
| 2025.03 | DAPO | 长推理 RL 存在熵下降、样本有效性、长度与训练稳定性问题。 | 提出 Clip-Higher、动态采样、token 级损失和超长奖励处理，公开规模化训练方案。论文 |
| 2025.03 | Dr. GRPO | 推理提升究竟来自基础模型还是 RL？优化目标是否鼓励无效变长？ | 分析基础模型影响及 GRPO 优化偏差，修改目标以改善 token 效率。论文 |
| 2025.09 | Dreamer 4 | 如何从离线视频和数据中学习更准确、可扩展的世界模型，并在其中训练行为？ | 使用可扩展世界模型开展想象训练；论文报告仅依靠离线数据训练，在 Minecraft 中完成获取钻石任务。论文 |
“R1-Zero 没有前置 SFT”不等于“从零开始、不靠知识就学会推理”。它仍然从已经预训练的模型出发。理解基础模型提供了什么，是这一时期的重要研究问题。
2026：截至 9 月的近期研究样例
这些工作时间很近，下表说明的是它们提出的问题与方法；不能据此认定某条路线已经全面胜出。
| 首次公开时间 | 论文 | 想解决什么问题 | 方法与所处路线 |
|---|---|---|---|
| 2026.05.25 | MBDPO：Scaling World-Model Reinforcement Learning Through Diffusion Policy Optimization | 世界模型中的搜索与价值学习使用的策略不一致，影响策略改进。 | 用扩散策略表示，把搜索轨迹与策略优化联系起来；属于世界模型、生成式策略与 RL 的交叉。论文 |
| 2026.07.02 | WorldSample | 真机交互昂贵，合成经验又可能有幻觉并导致价值高估。 | 建立真实交互—世界模型增广—策略更新闭环，通过样本选择和调度控制合成数据使用。论文 |
| 2026.08.07 | FACTOR | 多轮 Agent 的最终奖励，如何分配到动作及动作内部的 token？ | 将轨迹到动作、动作到 token 的信用分配分开处理，结合 TD 残差与细粒度分配。论文 |
| 2026.08.27 | TTPO | 测试时没有标准答案，如何继续改善策略？ | 结合多数投票伪标签、在线策略自蒸馏与分组 RL，针对不同采样结果采用不同更新方式。论文 |
| 2026.09.03 | DRACO | 很多长任务没有程序化验证器；整个轨迹只有一个分数，难以指导几十步行动。 | 动态生成评分准则，把轨迹评价重新分配到相关步骤，形成 GRPO 的逐步优势信号。论文 |
从这些工作可以看出的研究问题变化是：关注点从“单个动作怎么选”，扩展到“长任务怎么归因、奖励从哪里来、模拟经验是否可靠、部署时能否继续学习”。这是一种基于上述论文的归纳，不是统一的行业排名。
把整段历史折叠成一张技术架构图
这里的分支是阅读路径，彼此可以交叉；例如 Dreamer 同时包含世界模型和 Actor–Critic。
flowchart TD
RL["强化学习及相关决策学习"]
RL --> V["价值方法<br/>学 V 或 Q，再据此决策"]
V --> V1["TD → Q-learning／SARSA"]
V1 --> V2["DQN → Double／Dueling／PER"]
V2 --> V3["C51／QR-DQN／IQN／Rainbow"]
V1 --> V4["离线价值学习<br/>CQL／IQL"]
RL --> P["策略方法<br/>直接优化策略"]
P --> P1["REINFORCE → 策略梯度理论"]
P1 --> P2["TRPO → PPO"]
P2 --> P3["GRPO → DAPO／Dr. GRPO"]
P3 --> P4["推理与多轮 Agent RL"]
RL --> AC["Actor–Critic<br/>价值指导策略"]
AC --> AC1["A3C／A2C"]
AC --> AC2["DPG → DDPG → TD3"]
AC --> AC3["SAC：最大熵学习"]
AC -.->|"常见实现"| P2
RL --> M["模型与规划"]
M --> M1["Dyna：真实与模拟经验"]
M --> M2["AlphaGo／AlphaZero：已知规则搜索"]
M2 --> M3["MuZero：学习规划模型"]
M1 --> M4["Dreamer → V3 → 4"]
M --> M5["TD-MPC2／2026 世界模型研究"]
RL --> DATA["数据与反馈路线"]
DATA --> O["Offline RL<br/>BCQ／CQL／IQL"]
DATA --> S["轨迹序列建模<br/>Decision Transformer"]
DATA --> H["偏好学习<br/>RLHF／DPO／SimPO"]
DATA --> R["可验证奖励<br/>数学、代码、任务检查器"]
RL --> CROSS["跨分支问题"]
CROSS --> EX["探索：NoisyNet／RND"]
CROSS --> HI["层次与技能：Options"]
CROSS --> MA["多智能体：MADDPG／QMIX／MAPPO"]
CROSS --> CR["长期信用分配<br/>FACTOR／DRACO"]
核心阅读路线
建立算法基础后，再进入离线学习、世界模型与语言模型专题，可以沿以下路线阅读：
Q-learning → REINFORCE → DQN → DPG／DDPG → TRPO ＋ GAE → PPO（可继续配GAE） → TD3／SAC → CQL／IQL → Dreamer／MuZero → InstructGPT → DPO → GRPO → DeepSeek-R1 → DAPO／Dr. GRPO → 2026 专题论文。
其中最先吃透的五个问题是：Q 在估计什么、策略如何更新、Critic 起什么作用、数据来自哪里、奖励如何产生。带着这五个问题读，后面的大多数新算法都能放回这张图中。
延伸阅读
系列目录提供各篇论文的背景、公式、伪代码与实验分析；系列收尾进一步比较算法，并给出教学实验和证据疑点。时间线按历史发展组织，核心阅读路线则兼顾先修关系。
时间与选文口径
选文范围保留截至2026年9月8日的原边界；本轮图表与问答修订日期为2026年10月14日，后续修订版与首发年份分别记录。年份优先采用首次公开时间，必要时补充正式发表年份。所选论文覆盖主要技术路线；2026 年工作作为近期研究样例，其长期影响仍有待检验。
本页是历史导航，不代表所有延伸条目都在本系列有独立精读。具体图表、版本与证据边界可从逐篇查核记录进入原文；首版年代不自动覆盖修订版新增实验。